
# импорт библиотек
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.pyplot import figure
from plotly import graph_objects as go
import plotly.express as px
import seaborn as sns
import os
import re
!pip install geopy
from geopy.distance import geodesic as GD

Collecting geopy
  Downloading geopy-2.3.0-py3-none-any.whl (119 kB)
     |████████████████████████████████| 119 kB 1.0 MB/s eta 0:00:01
Collecting geographiclib<3,>=1.52
  Downloading geographiclib-2.0-py3-none-any.whl (40 kB)
     |████████████████████████████████| 40 kB 3.1 MB/s eta 0:00:01
Installing collected packages: geographiclib, geopy
Successfully installed geographiclib-2.0 geopy-2.3.0


# чтение файла с данными и сохранение в df

pth1 = '/datasets/moscow_places.csv'
pth2 = '/moscow_places.csv'

if os.path.exists(pth1):
    df = pd.read_csv(pth1)
elif os.path.exists(pth2):
    df = pd.read_csv(pth2)
else:
    print('FilePathError')


# выведем первые пять строк датафрейма
df.head()


# выведем информацию о датафрейме
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB


#Построение общей гистограммы для всех числовых столбцов таблицы
df.hist(figsize=(15, 20))
plt.show()


# проверяем дубликаты и пропуски в таблице df
print('Количество дубликатов в таблице df - ',df.duplicated().sum())
print('Количество пропусков в таблице df')
print(df.isna().sum().sort_values(ascending=False))

Количество дубликатов в таблице df -  0
Количество пропусков в таблице df
middle_coffee_cup    7871
middle_avg_bill      5257
price                5091
avg_bill             4590
seats                3611
hours                 536
name                    0
category                0
address                 0
district                0
lat                     0
lng                     0
rating                  0
chain                   0
dtype: int64


# приводим к нижниму регистру
df['address'] = df['address'].str.lower()
df['name'] = df['name'].str.lower()


# удаляем строки, где название и адрес одинаковые
key = ['name', 'address']

df_dedupped2 = df.drop_duplicates(subset=key)

print("Количество строк в исходном датасете - ",df['name'].count())
print("Количество строк после удаления неявных дубликатов - ",df_dedupped2['name'].count())

df = df_dedupped2

Количество строк в исходном датасете -  8406
Количество строк после удаления неявных дубликатов -  8402


# строим тепловую карту пропущенных значений
fig, ax = plt.subplots()
fig.set_figheight(10) # изменение по высоте
fig.set_figwidth(15) # изменение по ширине
colours = ['#39E639', '#FF4040'] 
ax = sns.heatmap(df.isnull(), cmap=sns.color_palette(colours))
ax.set_title('Тепловая карта пропущенных значений, красный - пропущенные данные, зеленый - не пропущенные ')
ax.set_xlabel('Столбцы')
ax.set_ylabel('Строки')
plt.show()


# выводим список столбцов с количеством пропусков в процентах
for col in df.columns:
    pct_missing = np.mean(df[col].isnull())
    print('{} - {}%'.format(col, round(pct_missing*100)))

name - 0%
category - 0%
address - 0%
district - 0%
hours - 6%
lat - 0%
lng - 0%
rating - 0%
price - 61%
avg_bill - 55%
middle_avg_bill - 63%
middle_coffee_cup - 94%
chain - 0%
seats - 43%


#выводим диаграмму boxplot 
figure(figsize=(15, 6), dpi=80)
df.boxplot()
plt.show()


from matplotlib.pyplot import figure
figure(figsize=(15, 6), dpi=80)
plt.ylim(-100, 2000)
df.boxplot()
plt.show()


# пишем функцию для определения названия улицы в столце с адресом 
def street(x):
    s = re.split(',', x)
    words = ['улица','проезд','шоссе','километр','заказник','парк','проспект','бульвар','переулок','квартал','аллея', 'сад','сквер','линия','набережная','музей','площадь','просек','тупик','кольцо','памятник','мост','тоннель','пр-т','ул.','Сумская']
    chk_pat = '(?:{})'.format('|'.join(words))
    for i in s:
        if bool(re.search(chk_pat, i, flags=re.I)):
            return i
    return None
# пишем функцию для определения того, что заведение работает ежедневно и круглосуточно
def is_24_per_7(x):
    if x == 'ежедневно, круглосуточно': 
        return True 
    elif not isinstance(x, str): 
        return None
    else: 
        return False
#добавляем столбец с обозначением, что заведение работает ежедневно и круглосуточно
df['is_24/7'] = df['hours'].apply(is_24_per_7)
#добавляем столбец с названиями улиц из столбца с адресом
df['street'] = df['address'].apply(street)


# выведем таблицу распределения количества заведений по категориям
sample = df.groupby('category', as_index=False).agg({'name': 'count'}).sort_values(by = 'name', ascending=False)
sample['%'] = round(sample['name'] / sample['name'].sum() * 100)
display(sample)


# строим график распределения заведений по категориям
fig, ax = plt.subplots()
fig.set_figheight(5) # изменение по высоте
fig.set_figwidth(15) # изменение по ширине
ax = sns.barplot(x= "category", y="name", data=sample)
ax.set_title('Распределения заведений по категориям')
ax.set_xlabel('Категории')
ax.set_ylabel('Количество заведений')
plt.show()


# выведем таблицу с медианным количеством мест в заведениях по категориям.
sample = df.groupby('category', as_index=False).agg({'seats': 'median'}).sort_values(by = 'seats', ascending=False)
display(sample)


# строим график среднего количества посадочных мест в заведениях по категориям
fig, ax = plt.subplots()
fig.set_figheight(5) # изменение по высоте
fig.set_figwidth(15) # изменение по ширине
ax = sns.barplot(x= "category", y="seats", data=sample)
ax.set_title('Количество посадочных мест на заведение')
ax.set_xlabel('Категории')
ax.set_ylabel('Количество посадочных мест')
plt.show()


# выведем таблицу с количеством сетевых и не сетевых заведений
sample = df.groupby('chain', as_index=False).agg({'name': 'count'}).sort_values(by = 'name', ascending=False).replace({0: 'несетевые', 1: 'сетевые'})
display(sample)


# строим круговую диаграмму распределения количества заведений по категориям
fig = go.Figure(data=[go.Pie(labels=sample['chain'], values=sample['name'])])
fig.update_layout(title="Распределение количества сетевых и несетевых заведений")
fig.show()


# сформеруем сводную таблицу с долей сетевых компаний в каждой категории
chain_cat = df.pivot_table(index='category', columns='chain', values='name', aggfunc='count')
chain_cat['% chain'] = chain_cat[1] / (chain_cat[0] + chain_cat[1])
chain_cat = chain_cat.sort_values(by='% chain', ascending=False).reset_index()
chain_cat.rename(columns = {0:'not chain', 1:'chain'}, inplace = True )
chain_cat


# строим график долей сетевых заведений по категориям
fig, ax = plt.subplots()
fig.set_figheight(5) # изменение по высоте
fig.set_figwidth(15) # изменение по ширине
ax = sns.barplot(x= "category", y='% chain', data=chain_cat)
ax.set_title('Доля сетевых заведений по категориям')
ax.set_xlabel('Категории')
ax.set_ylabel('Доля сетевых заведений')
plt.show()


# сгрупперуем таблицу и выведем топ-15 популяных сетей в Москве
top_name = (df.query('chain == 1')
                .groupby('name', as_index=False)
                .agg({'address': 'count'})
                .sort_values(by = 'address', ascending=False)
                .head(15))
top_name


# строим график долей сетевых заведений по категориям
fig, ax = plt.subplots()
fig.set_figheight(10) # изменение по высоте
fig.set_figwidth(10) # изменение по ширине
ax = sns.barplot(x= "address", y='name', data=top_name)
ax.set_title('Топ-15 популярных сетей в Москве')
ax.set_xlabel('Количество точек сети')
ax.set_ylabel('Название')
plt.show()


# выводим общее количество заведений по районам
district_total = df.pivot_table(index='district', values='name', aggfunc='count').reset_index()
district_total


# импортируем карту и хороплет
from folium import Map, Choropleth

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=district_total,
    columns=['district', 'name'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Количество заведений по районам',
).add_to(m)

# выводим карту
m


# выводим количество заведений каждой категории по районам
district = df.pivot_table(index='district', columns='category', values='name', aggfunc='count')
district['total'] = district.sum(axis=1)
district = district.sort_values(by = 'total')
district = district.drop(columns=['total'])
district


# строим столбчатую диграмму количества заведений по районам
district.plot(kind='barh', 
              stacked=True, 
              figsize=(15, 10), 
              xlabel="Район", 
              ylabel="Количество заведений", 
              title='Количество заведений по районам',  
              grid=True)
plt.show()


# строим столбчатую диграмму количества заведений по районам
district.plot(kind='barh', 
              stacked=True, 
              figsize=(15, 10), 
              xlabel="Район", 
              ylabel="Количество заведений", 
              title='Количество заведений по районам',  
              grid=True, xlim=(0, 1100))
plt.show()


sample = df.groupby('category', as_index=False).agg({'rating':'mean'}).sort_values(by='rating', ascending=False)
sample


# выводим диаграмму среднего рейтинга заведений по категориям
fig, ax = plt.subplots()
fig.set_figheight(5) # изменение по высоте
fig.set_figwidth(15) # изменение по ширине
ax = sns.barplot(x="category", y="rating", data=sample)


sample = df.groupby('district', as_index=False).agg({'rating':'mean'}).sort_values(by='rating', ascending=False)
sample


# импортируем карту и хороплет
from folium import Map, Choropleth

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=sample,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Средний рейтинг заведений по районам',
).add_to(m)

# выводим карту
m


# импортируем карту и маркер
from folium import Map, Marker
# импортируем кластер
from folium.plugins import MarkerCluster

# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
df.apply(create_clusters, axis=1)

# выводим карту
m


# выведем таблицу с  топ-15 улиц по количеству заведений
street_total = df.pivot_table(index='street', values='name', aggfunc='count').reset_index().sort_values(by = 'name', ascending=False)
street_total.head(15)


# собираем заведения, которые находятся на топ-15 улиц по количеству заведений
street = df.pivot_table(index='street', columns='category', values='name', aggfunc='count').fillna(0)
street['total'] = street.sum(axis=1)
street = street.sort_values(by = 'total')
street = street.drop(columns=['total']).tail(15)
# выводим диаграмму с топ-15 улиц по количеству заведений
street.plot(kind='barh', 
              stacked=True, 
              figsize=(15, 10), 
              xlabel='Название улицы', 
              ylabel="Количество заведений", 
              title='Топ-15 улиц по количеству заведений в Москве',  
              grid=True)
plt.show()


# соберем в таблицу заведения, которые одни на своей улице
one_street = df[df['street'].isin(street_total.query('name == 1')['street'].tolist())]
print('Количество улиц, на которых находится только один объект общепита - ',one_street['street'].count())
print('Доля таких улиц от общего числа улиц {0:.1%}'.format(one_street['name'].count() / street_total['name'].count()))

Количество улиц, на которых находится только один объект общепита -  478
Доля таких улиц от общего числа улиц 32.4%


# выводим таблицу распределения таких улиц по районам 
sample = one_street.groupby('district', as_index=False).agg({'address': 'count'}).sort_values(by = 'address', ascending=False)
display(sample)


# импортируем карту и хороплет
from folium import Map, Choropleth

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=sample,
    columns=['district', 'address'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Количество единственных заведений на улице по районам',
).add_to(m)

# выводим карту
m


bill_district = df.groupby('district', as_index=False).agg({'middle_avg_bill': 'median'}).sort_values(by = 'middle_avg_bill', ascending=False)
bill_district


# строим график долей сетевых заведений по категориям
fig, ax = plt.subplots()
fig.set_figheight(10) # изменение по высоте
fig.set_figwidth(10) # изменение по ширине
ax = sns.barplot(x= "middle_avg_bill", y='district', data=bill_district)
ax.set_title('Средний чек в заведения по районам')
ax.set_xlabel('Средний чек')
ax.set_ylabel('Район')
plt.show()


# импортируем карту и хороплет
from folium import Map, Choropleth

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=bill_district,
    columns=['district', 'middle_avg_bill'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Медианный средний чек заведений по районам',
).add_to(m)

# выводим карту
m


#создадим столбец с расстоянием до центра москвы в километрах
df['distance_center_km'] = df.apply(lambda row: round(GD((55.751244, 37.618423), (row['lat'],row['lng'])).km), axis=1)


# сгрупперуем данные по расстоянию до центра москвы, медианному среднему чеку и медианной средней цене чашки капучино
sample = df.groupby('distance_center_km', as_index=False).agg({'middle_avg_bill': 'median'})
sample


# выводим диаграмму зависимости между средним чеком и расстоянием до центра
fig, ax = plt.subplots()
ax = sns.regplot(x='distance_center_km', y='middle_avg_bill', data=sample)
ax.set_title('Зависимость между средним чеком и расстоянием до центра')
ax.set_xlabel('Расстояние, км')
ax.set_ylabel('Средний чек')
plt.show()


# выводим коэффициент корреляции пирсона для более точной оценки
print(sample.corr())

                    distance_center_km  middle_avg_bill
distance_center_km            1.000000        -0.712728
middle_avg_bill              -0.712728         1.000000


# выводим количество кофеен в датасете
coffee_house = df.query("category == 'кофейня'")
print("Количество кофеен в датасете - ",coffee_house['name'].count())

Количество кофеен в датасете -  1413


# выводим таблицу с количеством кофеен по районам
coffee_house_district = (coffee_house.groupby('district', as_index=False)
                                     .agg({'name':'count'})
                                     .sort_values(by = 'name', ascending=False))
coffee_house_district['%'] = round((coffee_house_district['name'] / coffee_house_district['name'].sum())*100,2)
coffee_house_district


# импортируем карту и хороплет
from folium import Map, Choropleth

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=coffee_house_district,
    columns=['district', 'name'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Количество кофеен по районам',
).add_to(m)

# выводим карту
m


# выведем таблицу с количеством круглосуточных и не круглосуточных кофеен
sample = coffee_house.groupby('is_24/7', as_index=False).agg({'name': 'count'}).sort_values(by = 'name', ascending=False).replace({True: 'Круглосуточные', False: 'Не круглосуточные'})
display(sample)


# строим круговую диаграмму распределения количества круглосуточных и не круглосуточных кофеен 
fig = go.Figure(data=[go.Pie(labels=sample['is_24/7'], values=sample['name'])])
fig.update_layout(title="Распределение количества круглосуточных и не круглосуточных кофеен")
fig.show()


# выводим таблицу с средним рейтингом кофеен по районам
sample = coffee_house.groupby('district', as_index=False).agg({'rating':'mean'}).sort_values(by = 'rating', ascending=False)
sample


# импортируем карту и хороплет
from folium import Map, Choropleth

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=sample,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Рейтинг кофеен по районам',
).add_to(m)

# выводим карту
m


# выводим таблици со средней ценой одной чашки капучно по районам
coffee_house_cup = coffee_house.groupby('district', as_index=False).agg({'middle_coffee_cup': 'median'}).sort_values(by = 'middle_coffee_cup', ascending=False)
coffee_house_cup


# импортируем карту и хороплет
from folium import Map, Choropleth

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=coffee_house_cup,
    columns=['district', 'middle_coffee_cup'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Медианная средняя цена одной чашки капучино в заведениях по районам',
).add_to(m)

# выводим карту
m


# сгрупперуем данные по расстоянию до центра москвы и медианной средней цене чашки капучино
sample = df.groupby('distance_center_km', as_index=False).agg({'middle_coffee_cup': 'median'})
sample


# выводим диаграмму зависимости между средней стоимостью одной чашки капучино и расстоянием до центра
fig, ax = plt.subplots()
ax = sns.regplot(x='distance_center_km', y='middle_coffee_cup', data=sample)
ax.set_title('Зависимость между средней стоимостью одной чашки капучино и расстоянием до центра')
ax.set_xlabel('Расстояние, км')
ax.set_ylabel('Средний цена')
plt.show()


# выводим коэффициент корреляции пирсона для более точной оценки
print(sample.corr())

                    distance_center_km  middle_coffee_cup
distance_center_km            1.000000          -0.304608
middle_coffee_cup            -0.304608           1.000000

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0

	category	name	%
3	кафе	2376	28.0
6	ресторан	2042	24.0
4	кофейня	1413	17.0
0	бар,паб	764	9.0
5	пиццерия	633	8.0
2	быстрое питание	603	7.0
7	столовая	315	4.0
1	булочная	256	3.0

	category	seats
6	ресторан	86.0
0	бар,паб	82.0
4	кофейня	80.0
7	столовая	75.5
2	быстрое питание	65.0
3	кафе	60.0
5	пиццерия	55.0
1	булочная	50.0

chain	category	not chain	chain	% chain
0	булочная	99	157	0.613281
1	пиццерия	303	330	0.521327
2	кофейня	693	720	0.509554
3	быстрое питание	371	232	0.384743
4	ресторан	1313	729	0.357003
5	кафе	1597	779	0.327862
6	столовая	227	88	0.279365
7	бар,паб	596	168	0.219895

	name	address
729	шоколадница	120
335	домино'с пицца	76
331	додо пицца	74
146	one price coffee	71
742	яндекс лавка	69
58	cofix	65
168	prime	50
664	хинкальная	44
409	кофепорт	42
418	кулинарная лавка братьев караваевых	39
628	теремок	38
683	чайхана	37
39	cofefest	32
267	буханка	32
477	му-му	27

Содержание

Исследования рынка общепита в Москве для принятия решения об открытии нового заведения¶

Обзор данных¶

Предобработка данных¶

Обработка пропусков и дубликатов¶

Обработка аномальных значений¶

Добавление новых столбцов¶

Выводы после предобработки данных¶

Анализ особенностей рынка заведений общественного питания Москвы¶

Количество объектов общественного питания по категориям¶

Количество посадочных мест в местах по категориям¶

Cоотношение сетевых и несетевых заведений¶

Топ-15 популярных сетей в Москве¶

Количество заведений по районам¶

Средний рейтинг заведений по категориям¶

Топ-15 улиц по количеству заведений¶

Заведения, которые являются единственными на своей улице¶

Цены в центральном административном округе и других районах¶

Вывод после анализа особенностей рынка заведений общественного питания Москвы¶

Анализ кофеен¶

Количество и распределение по районам кофеен в датасете¶

Количество круглосуточных кофеен¶

Средний рейтинг кофеен по районам¶

Средняя цена одной чашки капучино по районам¶

Зависимость между удаленность от центра и стоимостью одной чашки капучино¶

Вывод после анализа кофеен¶

Общий вывод исследования¶

	district	name
0	Восточный административный округ	798
1	Западный административный округ	850
2	Северный административный округ	898
3	Северо-Восточный административный округ	890
4	Северо-Западный административный округ	409
5	Центральный административный округ	2242
6	Юго-Восточный административный округ	714
7	Юго-Западный административный округ	709
8	Южный административный округ	892

	category	rating
0	бар,паб	4.387696
5	пиццерия	4.301264
6	ресторан	4.290402
4	кофейня	4.277282
1	булочная	4.268359
7	столовая	4.211429
3	кафе	4.124285
2	быстрое питание	4.050249

	district	rating
5	Центральный административный округ	4.377520
2	Северный административный округ	4.240980
4	Северо-Западный административный округ	4.208802
8	Южный административный округ	4.184417
1	Западный административный округ	4.181647
0	Восточный административный округ	4.174185
7	Юго-Западный административный округ	4.172920
3	Северо-Восточный административный округ	4.147978
6	Юго-Восточный административный округ	4.101120

	street	name
863	проспект мира	183
867	профсоюзная улица	122
860	проспект вернадского	108
560	ленинский проспект	107
558	ленинградский проспект	95
405	дмитровское шоссе	88
487	каширское шоссе	77
328	варшавское шоссе	76
559	ленинградское шоссе	70
582	люблинская улица	60
1107	улица вавилова	55
550	кутузовский проспект	54
1264	улица миклухо-маклая	49
875	пятницкая улица	48
195	алтуфьевское шоссе	47

	distance_center_km	middle_avg_bill
0	0	1175.0
1	1	1250.0
2	2	1250.0
3	3	850.0
4	4	825.0
5	5	650.0
6	6	512.5
7	7	470.0
8	8	685.0
9	9	700.0
10	10	600.0
11	11	650.0
12	12	625.0
13	13	550.0
14	14	550.0
15	15	526.5
16	16	600.0
17	17	400.0
18	18	500.0
19	19	750.0
20	20	NaN

	district	name	%
5	Центральный административный округ	428	30.29
2	Северный административный округ	193	13.66
3	Северо-Восточный административный округ	159	11.25
1	Западный административный округ	150	10.62
8	Южный административный округ	131	9.27
0	Восточный административный округ	105	7.43
7	Юго-Западный административный округ	96	6.79
6	Юго-Восточный административный округ	89	6.30
4	Северо-Западный административный округ	62	4.39

	is_24/7	name
0	Не круглосуточные	1339
1	Круглосуточные	59

	district	rating
5	Центральный административный округ	4.336449
4	Северо-Западный административный округ	4.325806
2	Северный административный округ	4.291710
7	Юго-Западный административный округ	4.283333
0	Восточный административный округ	4.282857
8	Южный административный округ	4.232824
6	Юго-Восточный административный округ	4.225843
3	Северо-Восточный административный округ	4.216981
1	Западный административный округ	4.195333

	district	middle_coffee_cup
7	Юго-Западный административный округ	198.0
5	Центральный административный округ	190.0
1	Западный административный округ	189.0
4	Северо-Западный административный округ	165.0
3	Северо-Восточный административный округ	162.5
2	Северный административный округ	159.0
8	Южный административный округ	150.0
6	Юго-Восточный административный округ	147.5
0	Восточный административный округ	135.0

	distance_center_km	middle_coffee_cup
0	0	NaN
1	1	230.0
2	2	225.0
3	3	185.0
4	4	170.0
5	5	157.0
6	6	152.5
7	7	175.0
8	8	177.5
9	9	160.0
10	10	155.0
11	11	155.0
12	12	155.0
13	13	145.0
14	14	125.0
15	15	165.0
16	16	135.0
17	17	130.0
18	18	205.0
19	19	228.0
20	20	NaN

	chain	name
0	несетевые	5199
1	сетевые	3203